速度、速度场测量方法、系统、设备、装置及存储介质

1.本发明涉及速度测量领域，特别是涉及一种速度测量方法、系统、设备、装置及存储有上述速度测量方法的存储介质，以及一种速度场测量方法及系统。


背景技术：

2.粒子图像测速(piv,particle image velocimetry)技术是一种非接触流动速度场光学测量技术，该技术通过追踪由激光相机系统捕获的两帧粒子图上的粒子微团(简称粒子)的跨帧位移，实现流场运动速度的测量。piv技术为了匹配前后两帧图像上粒子微团，采用互相关算法计算前后两帧图像内一定窗口内粒子分布的相似性：将前一帧图像上的一个窗口中的粒子分布，与第二帧图像上所有窗口内的粒子分布分别进行互相关计算，选取互相关最大的窗口，通过计算两个窗口位置的空间距离来表征窗口内粒子的速度信息。
3.然而，上述方法存在一定的问题，即每个窗口只能获得一个速度矢量作为窗口内所有粒子的平均速度。一般而言，窗口的大小取决于图像分辨率和跨帧时间，一般为16*16或32*32，即16或32个像素只能计算得到一个速度矢量。


技术实现要素：

4.本发明实施例的目的是提供一种像素级的速度测量方法、系统、设备、装置及存储有上述速度测量方法的存储介质，以及一种像素级的速度场测量方法及系统。
5.为实现上述目的，本发明提供了如下方案：
6.本发明第一方面提供了一种速度测量方法，包括：
7.将单粒子图像输入经训练的神经网络模型，得到预测结果图像；所述单粒子图像仅包含一个粒子；所述预测结果图像仅包含一个粒子；所述预测结果图像中粒子的像素位置，为所述单粒子图像中的粒子的预测位置；其中，所述单粒子图像中的粒子用于表征二维流场测量区域中的一个粒子；所述经训练的神经网络模型为：以粒子图像对中的第一帧粒子图像为输入，以所述粒子图像对中的第二帧粒子图像为输出的真值，训练得到的神经网络模型；其中，所述粒子图像对由跨帧相机对所述二维流场测量区域进行拍摄得到，所述二维流场测量区域中混有示踪粒子；所述第一帧粒子图像为所述第二帧粒子图像的前一帧图像；
8.根据所述单粒子图像和所述预测结果图像中粒子的像素位置，确定所述单粒子图像中粒子的像素位置的预测速度。
9.本发明第二方面提供了一种速度场测量方法，包括：
10.针对多帧单粒子图像，采用第一方面提供的速度测量方法确定各帧单粒子图像中粒子的像素位置的预测速度；其中，不同单粒子图像中粒子的像素位置不同；
11.根据各像素位置的预测速度，确定二维流场测量区域的速度场。
12.本发明第三方面提供了一种速度测量系统，包括：
13.粒子位置预测模块，用于将单粒子图像输入经训练的神经网络模型，得到预测结
果图像；所述单粒子图像仅包含一个粒子；所述预测结果图像仅包含一个粒子；所述预测结果图像中粒子的像素位置，为所述单粒子图像中的粒子的预测位置；其中，所述单粒子图像中的粒子用于表征二维流场测量区域中的一个粒子；所述经训练的神经网络模型为：以粒子图像对中的第一帧粒子图像为输入，以所述粒子图像对中的第二帧粒子图像为输出的真值，训练得到的神经网络模型；其中，所述粒子图像对由跨帧相机对所述二维流场测量区域进行拍摄得到，所述二维流场测量区域中混有示踪粒子；所述第一帧粒子图像为所述第二帧粒子图像的前一帧图像；
14.像素点速度预测模块，用于根据所述单粒子图像和所述预测结果图像中粒子的像素位置，确定所述单粒子图像中粒子的像素位置的预测速度。
15.本发明第四方面提供了一种速度场测量系统，包括：
16.本发明第四方面提供的速度测量系统，用于对多帧单粒子图像中粒子的像素位置的速度进行预测；其中，不同单粒子图像中粒子的像素位置不同；
17.速度场确定模块，用于根据各像素位置的预测速度，确定二维流场测量区域的速度场。
18.本发明第五方面提供了一种速度测量设备，至少包括处理器和存储器；所述处理器通过执行所述存储器中存放的程序，执行本发明第一方面提供的速度测量方法。
19.本发明第六方面提供了一种存储介质，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行本发明第一方面提供的速度测量方法中的步骤。
20.本发明第七方面提供了一种速度测量装置，包括：激光发射器、透镜组件、跨帧相机、高通滤光片以及本发明第五方面提供的速度场测量设备；其中：
21.所述激光发射器用于发射激光；所述激光发射器发出的激光经所述透镜组件后形成光平面；所述二维流场测量区域包括：所述光平面与流场测量区域相交得到的区域；
22.所述跨帧相机用于对所述二维流场测量区域进行跨帧拍照；所述流场测量区域混有示踪粒子，所述跨帧相机镜头前安装有所述高通滤光片。
23.根据本发明提供的具体实施例，公开了以下技术效果：本发明实施例首先采用神经网络模型对二维流场测量区域的前后两帧粒子图像进行学习，即以前一帧粒子图像作为输入，以后一帧粒子图像作为输出的真值，对神经网络模型进行训练。经训练的神经网络模型内隐含了二维流场测量区域流场的时均信息。然后，将单粒子图像(单粒子图像仅在某一像素点处包括一个粒子)输入上述经训练的神经网络模型，得到单粒子图像对应的预测结果图像，使神经网络模型中隐含的流场信息得到显式化表达。最后，根据单粒子图像中粒子的像素位置以及对应预测结果图像中粒子的像素位置，计算单粒子图像中粒子所在像素点的速度。基于此，实现了像素级的速度测量。
24.基于粒子位置遍历整个二维流场测量区域的各单粒子图像，可以预测出二维流场测量区域中各粒子的像素级速度，即可以预测得到二维流场测量区域的像素级速度场分布。
附图说明
25.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施
例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
26.图1为本发明实施例中的速度测量硬件结构图；
27.图2为本发明实施例中速度测量方法流程示意图；
28.图3为本发明实施例中速度场测量方法流程示意图；
29.图4为本发明实施例中神经网络模型结构示意图；
30.图5(a)为本发明实施例中将训练未完成时的预测粒子和真实粒子置于同一图像上的对比图；图5(b)为本发明实施例中训练完成后的预测粒子和真实粒子置于同一图像上的对比图；
31.图6(a)为真实的流场图，图6(b)为采用本发明实施例提供的速度测量方法测量得到的流场图；
32.图7为本发明实施例中速度测量系统的结构示意图；
33.图8为本发明实施例中速度场测量系统的结构示意图；
34.图9为本发明实施例中速度测量设备的一种可能的硬件结构示意图。
具体实施方式
35.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
36.本发明的目的是提供一种像素级的速度测量方法、系统、设备、装置及存储有上述速度测量方法的存储介质，以及一种像素级的速度测量方法及系统。
37.本发明实施例中速度测量方法的核心思想是，采用神经网络学习二维流场测量区域粒子的运动轨迹，然后，将仅在某一像素点具有粒子的单粒子图像输入上述神经网络，得到单粒子图像中粒子的预测位置，使神经网络学习的粒子轨迹得以显式化表达。最后，基于单粒子图像中粒子的位置以及其预测位置，便可得到单粒子图像中粒子所在像素点的速度，即实现了像素级的速度测量。
38.由于采用上述方式可以获得任一像素点的速度，进而便可以实现对速度场的测量。
39.上述神经网络学习二维流场测量区域粒子的运动轨迹是通过，对二维流场测量区域具有一定时间差的拍摄图像进行的。具体的，可以采用跨帧相机对二维流场测量区域进行跨帧拍照，获得具有一定时间差的二维流场测量区域的前后两帧图像，以前一帧图像为神经网络的输入，以后一帧图像为神经网络的输出真值，对神经网络进行训练，得到隐含有二维流场测量区域粒子运动情况的神经网络模型。
40.上述速度测量方法示例性的应用场景为钝体尾迹流动速度测量场景，比如子弹发射后，子弹运动对周围流体会产生一定的影响，通过对子弹运动周围流体的运动速度场的分析，可以对子弹的表面结构等进行改进，以提高子弹的性能，比如，提高其射程、精准度以及使其不偏移等。上述实验一般在风洞或水洞中进行。
41.参见图1，在多功能水洞1(或风洞)中均匀混入荧光粒子2(示踪粒子)，使用nd
‑
yag
双腔激光器3和透镜组发出双脉冲激光照明二维流场测量区域7。使用双曝光ccd相机4(跨帧相机)，对被双曝光激光照亮的二维流场测量区域7进行跨帧拍照(二维流场测量区域中混有荧光粒子)。
42.其中，双曝光ccd相机4和nd
‑
yag双腔激光器3的同步工作由专用的同步器5控制，并采用高速cameralink数据线传入计算机6存储。水洞用以产生均匀且稳定的水流，荧光粒子在二维流场测量区域上游均匀散布于水中。nd
‑
yag双腔激光器3用以产生跨帧时间满足需求的、波长为532nm的两次激光脉冲，并经过配套的扩束透镜组产生厚度在1mm以内的片激光，其方向平行于水洞前观测壁，以照亮需要观测的二维流场测量区域7。双曝光ccd相机4在镜头前安装有高通滤光片，以截断532nm的照射激光、只让由荧光粒子受激发出的更大波长的荧光信息被双曝光ccd相机4的芯片记录。用一个专用的同步控制器连接中控计算机、激光器和相机，以确保激光器双脉冲分别照亮在双曝光ccd相机4的前后两帧图像上。双曝光ccd相机4采集的照片由数据线传输到中控计算机中。
43.双曝光ccd相机4拍摄的前后两帧图像分别作为神经网络的输入以及输出的真值，对神经网络进行训练。
44.在对神经网络进行训练之前，需要对上述双曝光ccd相机4拍摄的图像进行预处理。具体包括：图像标定、镜头畸变修正、背景剔除等操作。通过上述预处理获取清晰准确的粒子图像，之后基于清晰准确的粒子图像，采用神经网络进行学习。
45.其中，图像标定采用棋盘格标靶对图像进行特征点提取、畸变系数修正、图像空间分辨率计算。在采集到图片后会出现由于拍摄环境背景噪音问题导致局部背景光斑亮度过大等问题，通过边线特征提取进行消除。
46.在一个示例中，参见图2，上述速度测量方法包括以下步骤：
47.步骤11：将单粒子图像输入经训练的神经网络模型，得到预测结果图像；所述单粒子图像仅包含一个粒子；所述预测结果图像仅包含一个粒子；所述预测结果图像中粒子的像素位置，为所述单粒子图像中的粒子的预测位置；其中，所述单粒子图像中的粒子用于表征二维流场测量区域中的一个粒子；所述经训练的神经网络模型为：以粒子图像对中的第一帧粒子图像为输入，以所述粒子图像对中的第二帧粒子图像为输出的真值，训练得到的神经网络模型；其中，所述粒子图像对由跨帧相机对所述二维流场测量区域进行拍摄得到，所述二维流场测量区域中混有示踪粒子；所述第一帧粒子图像为所述第二帧粒子图像的前一帧图像；
48.步骤12：根据所述单粒子图像和所述预测结果图像中粒子的像素位置，确定所述单粒子图像中粒子的像素位置的预测速度。
49.在步骤11之前还可以包括：神经网络模型的训练步骤以及单粒子图像的生成步骤。
50.神经网络模型的训练步骤即：以粒子图像对中的第一帧粒子图像为输入，以所述粒子图像对中的第二帧粒子图像为输出的真值，训练得到的神经网络模型；其中，所述粒子图像对由跨帧相机对所述二维流场测量区域进行拍摄得到，所述二维流场测量区域中混有示踪粒子；所述第一帧粒子图像为所述第二帧粒子图像的前一帧图像。
51.单粒子图像的生成步骤即：采用虚拟粒子生成器在图像的一像素点上生成单个粒子，得到单粒子图像。
52.在一个示例中，参见图3，上述速度场测量方法包括以下步骤：
53.针对多帧单粒子图像，采用上一示例中所述的速度测量方法确定各帧单粒子图像中粒子的像素位置的预测速度；其中，不同单粒子图像中粒子的像素位置不同；
54.根据各像素位置的预测速度，确定二维流场测量区域的速度场。
55.上述速度测量方法以及速度场测量方法主要可分为两个部分，分别为神经网络构建以及单粒子预测追踪。
56.第一部分为神经网络构建及训练，通过构建深度卷积神经网络对粒子轨迹进行学习。神经网络架构如图3所示。
57.将第一帧粒子图像(具体为灰度图)作为输入，通道数为1。首先经过多个卷积层进行特征提取，形成一系列不同空间分辨率和通道数的特征层输出。在之后进行反卷积操作将特征图分辨率逐渐提高，通过设置合适的反卷积核参数使每层反卷积的输出与前一步卷积层的输出具有相同的空间尺度，并将两者进行拼接再经过一层卷积操作预测当前尺度下的粒子分布。经过不断的反卷积和拼接操作直至预测输出具备和输入粒子图片具有相同的空间尺度。之后利用采集到的多个粒子图像对对神经网络进行训练：前一帧粒子图像作为输入，后一帧粒子图像作为输出的真值，选取合适的损失函数和训练策略对神经网络进行训练，直至预测出的粒子图与后一帧粒子图像(真实粒子图)完全一致。至此神经网络内隐含了流场的时均信息。
58.从神经网络中将隐含的流场信息进行显式化表达。为了从上一步训练好的神经网络中获取高空间分辨率的流场，需要获得图像每个像素点上的流动信息。通过虚拟粒子生成器生成一系列的只包含单个粒子的粒子图(称之为单粒子图像)，这些粒子图中粒子的位置遍历整个图像像素点。将这些粒子图逐个输入神经网络中，输出的预测结果图像中同样只包含单个粒子，此粒子对应了输入的单粒子图中单个粒子移动后的空间位置。这样就获得了粒子的轨迹图。通过高斯拟合获取两帧图像上粒子中心位置进而将位移除以跨帧时间即可获得此粒子的移动速度，将其作为粒子所在像素点上的速度信息。这样便实现了流体像素级的速度测量。将所有像素点上的粒子都进行上述操作后即可获得高分辨率流场信息。
59.下面对上述神经网络的构建以及训练进行详细介绍
60.1)参见图4，构建卷积层和反卷积层：构建一系列的卷积层，每一层中采用一定数量的卷积核对输入进行卷积操作，输出新的特征图信息，其通道数为卷积核个数，卷积操作数学表达如公式(1)所示
[0061][0062]
其中，v为输入信息，w为卷积核权重，卷积核大小为p
×
q。
[0063]
本神经网络包含有9层卷积层，卷积核大小从9
×
9依次下降为2
×
2。在每层卷积后加入非线性激活函数relu，增强模型的非线性拟合能力，其数学表达式如公式(2)所示
[0064]
f(x)＝max(0,x)
ꢀꢀꢀ
(2)
[0065]
最终得到3
×
11
×
1024的特征层。之后进行反卷积操作，将输入在空间上进行扩张，反卷积数学操作与卷积相同，不同之处为首先将输入特征图通过0填充扩展为想要输出的尺寸，再进行卷积核相乘。之后将反卷积输出和与此反卷积输出尺寸相同的前述卷积层
的输出进行通道拼接，并使用一个卷积层预测一个单通道输出，前述卷积层输出与反卷积层输出有着相同的空间尺寸。之后依此进行4个反卷积和拼接操作使得预测的单通道尺寸逐渐增加并最终获得与神经网络输入相同的单通道输出，将其作为神经网络整体的输出。
[0066]
2)计算损失函数：采用均方误差函数计算神经网络的损失，且由于神经网络中可以输出多个不同分辨率的输出，因此将不同分辨率的输出的损失进行加权。计算公式如式(3)所示：
[0067][0068]
其中，y为神经网络输出的真值，即y为二维矩阵即真实的第二帧粒子灰度图，y'为神经网络输出，同样为二维矩阵。下标0～2表示不同分辨率的真值和预测值。λ为各个分辨率下计算损失的权重。n为训练过程中一个批次的batch个数。
[0069]
3)构建训练集和验证集：将实验采集得到的粒子图像对进行图像预处理，包括图像旋转、镜像、图像噪声叠加、图像压缩等，之后按比例划分为训练集和验证集，其中训练集占比80％，验证集占比20％。其中，每一组样本中，包含有第一帧原始尺寸的粒子图作为神经网络的输入，第二帧不同分辨率的粒子图分别作为神经网络对应输出的真值。
[0070]
4)神经网络拟合训练：将训练集样本划分为8个样本一组作为一个batch进行神经网络权重的训练。选用adam优化学习算法进行优化训练。优化流程如下:
[0071]4‑
1初始化神经网络中的权重记为θ0，初始化一阶动量矩m0、二阶动量矩v0，学习率α＝0.00001、参数权重β1＝0.9、β2＝0.999、ε＝10
‑8。
[0072]4‑
2在当前权重下，带入一个批次样本计算神经网络输出损失loss
t
(θ
t
‑1)，并求其对权重θ的梯度：
[0073][0074]
其中t表示当前迭代次数，t
‑
1为上一次迭代次数。
[0075]4‑
3计算有偏一阶动量矩和有偏二阶动量矩：
[0076]
m
t
＝β1·
m
t
‑1+(1
‑
β1)g
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0077][0078]4‑
4计算无偏一阶动量矩和无偏二阶动量矩：
[0079][0080][0081]4‑
5计算并更新神经网络权重：
[0082][0083]4‑
6重复4
‑
2至4
‑
5直至损失不再下降即可认为训练完成。
[0084]4‑
7采用验证集验证神经网络预测的准确性，将验证集的第一帧作为输入预测第二帧粒子图，并将其与对应的真实粒子图进行比对，当粒子位置重合时即认为训练精度达到要求。
[0085]
至此，我们获得了一个隐含所有二维流场测量区域流场信息的深度卷积神经网
络。
[0086]
下面对上述单粒子预测追踪进行详细介绍：
[0087]
经训练的神经网络能够准确预测出粒子移动轨迹，但如果仍采用传统的多粒子图进行输入并预测，仍无法准确匹配到前后两帧图像上的粒子进行计算。因此需要生成一系列虚拟单粒子图片输入到神经网络中，神经网络只需预测单个粒子的位置信息即可。之后采用简单的高斯拟合就可提取输入和输出上粒子的中心位置从而计算速度场，其详细的子步骤可分为：
[0088]
1)通过虚拟粒子生成器在图像上任意一像素点上生成单个粒子，此粒子形态符合高斯分布，且粒径固定与实验中真实粒子大小基本一致。
[0089]
2)将此单粒子图片输入到上述经训练的神经网络模型，检查输入和输出的粒子图，可肉眼观察到粒子的移动。
[0090]
3)通过高斯拟合提取前后两张粒子图上粒子的中心坐标，其原理为：
[0091]
假定粒子灰度值为高斯函数：
[0092][0093]
其中，(x0,y0)为粒子中心坐标，(σ
x
,σ
y
)为x和y方向上偏差，将其两边取对数可得：
[0094][0095]
进一步变形为：
[0096]
lnf(x,y)＝ax2+by2+cx+dy+e
ꢀꢀꢀ
(12)
[0097]
其中：
[0098][0099][0100][0101][0102][0103]
最终带入不同点坐标和灰度值，求解以上参数，即可得粒子中心坐标(x0,y0)，得到前后两帧图像上的粒子中心坐标后即可计算坐标差值，之后通过带入已知的图像空间分辨率和跨帧时间即可计算出此粒子的速度信息，将此速度信息作为粒子所在空间位置上流场的信息。
[0104]
4)重复步骤1)，将粒子位置遍历图像上所有像素点，每一张图片均重复步骤2)至3)，即可获得高分辨率全场速度信息。
[0105]
下面结合具体具体应用场景对上述速度测量方法的效果进行验证：
[0106]
以边界层流场测量为研究对象，边界层与来流方向倾斜15度，采用激光和相机捕获近壁二维粒子图像。其中，激光用于形成二维片光源照亮水洞中被测区域(即二维流场测量区域)，水洞中施加示踪粒子，示踪粒子被激光照射后形成散射光斑，采用相机进行记录。为了保证相机和激光工作时的同步性，采用同步器触发激光和相机，在同一时刻进行发光和图像捕捉。之后图像记录到计算机中用于后续处理分析。测试图像为64
×
128pixels，包含粒子数在15～60个左右，粒子最大位移约为12个pixel。选取400对作为训练集，100对作为验证集。
[0107]
图5显示了神经网络模型训练未完成和完成后粒子预测的精度，图5(a)为训练未完成时预测粒子图以及将预测粒子和真实粒子置于同一图像上的对比，其中，绿色为预测粒子，红色为真实粒子，两者在一部分区域内仍有较明显偏离，说明此时神经网络预测的准确度较低。图5(b)为训练完成后预测的粒子图以及与真实粒子的对比图，图上只有黄色粒子说明预测粒子和真实粒子已经完全重合。
[0108]
图6为获得的高分辨率速度场与真实流场对比，通过流向速度的对比可以发现，此方法可获得与真实流场完全一致的流动信息，且其分辨率与粒子图像相同，验证了此方法获得高分辨率精确流场的可行性。
[0109]
在一个示例中，与上述速度测量方法相对应，参见图7，本技术提供的上述速度测量系统包括：
[0110]
粒子位置预测模块701，用于将单粒子图像输入经训练的神经网络模型，得到预测结果图像；所述单粒子图像仅包含一个粒子；所述预测结果图像仅包含一个粒子；所述预测结果图像中粒子的像素位置，为所述单粒子图像中的粒子的预测位置；其中，所述单粒子图像中的粒子用于表征二维流场测量区域中的一个粒子；所述经训练的神经网络模型为：以粒子图像对中的第一帧粒子图像为输入，以所述粒子图像对中的第二帧粒子图像为输出的真值，训练得到的神经网络模型；其中，所述粒子图像对由跨帧相机对所述二维流场测量区域进行拍摄得到，所述二维流场测量区域中混有示踪粒子；所述第一帧粒子图像为所述第二帧粒子图像的前一帧图像；
[0111]
像素点速度预测模块702，用于根据所述单粒子图像和所述预测结果图像中粒子的像素位置，确定所述单粒子图像中粒子的像素位置的预测速度。
[0112]
在一个示例中，与上述速度场测量方法相对应，参见图8，本技术提供的上述速度场测量系统包括：上述速度测量系统以及速度场确定模块703。
[0113]
上述速度测量系统，用于对多帧单粒子图像中粒子的像素位置的速度进行预测。其中，不同单粒子图像中粒子的像素位置不同。
[0114]
速度场确定模块703用于根据各像素位置的预测速度确定二维流场测量区域的速度场。
[0115]
在一个示例中，本技术提供的速度测量设备，至少包括处理器和存储器；所述处理器通过执行所述存储器中存放的程序以及调用其他设备，执行上述速度测量方法。
[0116]
图9示出了上述速度测量设备的一种可能的硬件结构示意图，包括：总线、处理器901、存储器902、通信接口903、输入设备904和输出设备905。处理器901、存储器902、通信接口903、输入设备904和输出设备905通过总线相互连接。其中：
[0117]
总线可包括一通路，在计算机系统各个部件之间传送信息。
[0118]
处理器901可以是通用处理器，例如通用中央处理器(cpu)、网络处理器(networkprocessor，简称np)、微处理器等，也可以是特定应用集成电路(application
‑
specificintegratedcircuit，asic)，或一个或多个用于控制本发明方案程序执行的集成电路。还可以是数字信号处理器(dsp)、现成可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0119]
存储器902中保存有执行本发明技术方案的程序或脚本，还可以保存有操作系统和其他关键业务。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。脚本则通常以文本(如ascii)保存，只在被调用时进行解释或编译。
[0120]
输入设备904可包括接收用户输入的数据和信息的装置，例如键盘、鼠标、摄像头、语音输入装置、触摸屏等。
[0121]
输出设备905可包括允许输出信息给用户的装置，例如显示屏、扬声器等。
[0122]
通信接口903可包括使用任何收发器一类的装置，以便与其他设备或通信网络通信，如以太网，无线接入网(ran)，无线局域网(wlan)等。
[0123]
处理器901通过执行存储器902中所存放的程序以及调用其他设备，可实现上述速度测量方法。
[0124]
此外，图9所示的速度测量设备各单元的功能，可由前述的处理器901执行存储器902中所存放的程序以及调用其他设备实现。
[0125]
在一个示例中，本技术提供的存储介质存储有多条指令，所述指令适于处理器进行加载，以执行上述速度测量方法中的步骤。
[0126]
在一个示例中，本技术提供的速度测量装置，包括：激光发射器、透镜组件、跨帧相机、高通滤光片以及上述速度场测量设备。其中：
[0127]
所述激光发射器用于发射激光；所述激光发射器发出的激光经所述透镜组件后形成光平面；所述二维流场测量区域包括：所述光平面与流场测量区域相交得到的区域；
[0128]
所述跨帧相机用于对所述二维流场测量区域进行跨帧拍照；所述流场测量区域混有示踪粒子，所述跨帧相机镜头前安装有所述高通滤光片。
[0129]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0130]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。